論文の概要: From General Agents to RCA Experts: A Self-Evolving Harness for Root Cause Analysis
- arxiv url: http://arxiv.org/abs/2608.25661v1
- Date: Wed, 26 Aug 2026 11:43:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.807542
- Title: From General Agents to RCA Experts: A Self-Evolving Harness for Root Cause Analysis
- Title（参考訳）: 一般エージェントからRCA専門家へ:根本原因分析のための自己進化的ハーネス
- Abstract要約: OpsHarnessは自己進化型RCAハーネスで、診断経験を再利用可能な専門知識に変える。
59.0%のトップ1の精度を実現し、素のジェネラルエージェントを63.4%、ベースラインRCAエージェントを4.02$times$で改善した。
- 参考スコア（独自算出の注目度）: 31.840865886259234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated root cause analysis (RCA) with large language models (LLMs) has drawn growing attention. Today, SREs typically automate RCA with LLMs in one of two ways: directly using a general-purpose agent (e.g., Codex or Claude Code) for diagnosis, or building a specialized RCA agent from scratch. As mainstream general agents grow more capable and iterate quickly, our quantitative study finds that the former now often surpasses the latter. Its accuracy, however, still falls short of production needs, and this gap stems mainly from the external adaptation layer outside the agent's general capabilities, namely the harness. We therefore argue that LLM-based RCA should focus on this external harness, reusing the strong general capabilities of a modern agent rather than rebuilding an agent from scratch. A key capability of such a harness is to self-evolve, accumulating system-specific experience from past diagnoses so that it gets better the more it is used. We introduce OpsHarness, a self-evolving RCA harness that turns diagnosis experience into reusable expertise. Its data plane combines layered operational knowledge with an idea-card tool library, while its control plane coordinates setup, diagnosis, evolution, and verification. During evolution, OpsHarness contrasts successful and failed trajectories, converts their evidence into atomic proposals, and admits updates only through a dual-gate verification process designed to prevent overfitting and regression. Across two public benchmarks and an industrial deployment, OpsHarness achieves 59.0\% top-1 accuracy, improving over a bare general agent by 63.4\% and over baseline RCA agents by 4.02$\times$.
- Abstract（参考訳）: 大規模言語モデル (LLM) を用いた自動根本原因解析 (RCA) が注目されている。
今日では、SREは一般的に、診断に汎用エージェント(例えば、CodexやClaude Code)を直接使用するか、あるいは特別なRCAエージェントをスクラッチから構築する、という2つの方法の1つで、LCMを使ったRCAを自動化する。
メインストリームのジェネラルエージェントは、より能力が高く、すばやく進化するので、我々の定量的研究は、前者が後者をしばしば上回っていることを発見した。
しかし、その精度は依然として生産ニーズに欠けており、このギャップは主にエージェントの一般的な能力、すなわちハーネス以外の外部適応層に由来する。
したがって、LCMをベースとしたRCAは、エージェントをスクラッチから再構築するのではなく、現代のエージェントの強大な汎用能力を再利用して、この外部ハーネスに焦点を当てるべきである。
このようなハーネスの鍵となる能力は、過去の診断からシステム固有の経験を自己進化させ、蓄積し、それを使うほど良くなることである。
診断経験を再利用可能な専門知識に変える自己進化型RCAハーネスであるOpsHarnessを紹介します。
データプレーンは階層化された運用知識とアイデアカードツールライブラリを結合し、コントロールプレーンはセットアップ、診断、進化、検証をコーディネートする。
進化の間、OpsHarnessは成功と失敗の軌跡を対比し、それらの証拠をアトミックな提案に変換し、過度な適合と回帰を防ぐために設計されたデュアルゲート検証プロセスを通じてのみ更新を認める。
2つの公開ベンチマークと工業展開で、OpsHarnessは59.0\%のトップ-1の精度を達成し、ベアジェネラルエージェントを63.4\%、ベースラインRCAエージェントを4.02$\times$で改善した。
関連論文リスト
- Root-Cause Attribution Is a Search Problem: Continual Search for Long-Horizon Agent Failures [11.365690419023425]
既存のルート起因属性法は, 実行トレースが大きくなるにつれて, 診断精度が低下する。
連続検索は、連続的に、未解決の診断証拠を探し続けるよう裁判官に訴える。
MegaRCA-Mixは、長期にわたる実行負荷の多いタスクにまたがる50の人為的な障害試験の挑戦的なテストベッドを提供する。
論文 参考訳（メタデータ） (2026-09-11T19:29:21Z) - KRCA: An Efficient Root Cause Analysis System in Hyper-Scale Microservice Systems via Agentic AI [14.531960390639343]
ハイパースケールのマイクロサービスシステムは、大規模なインターネット企業の標準的なインフラストラクチャになっています。
既存のルート原因分析(RCA)手法は、しばしばこれらのシステムの極端なダイナミズムと大規模なスケールに適応するのに苦労する。
我々は、超大規模マイクロサービスシステム用に設計されたエンドツーエンドのRCAシステムであるKRCAを紹介する。
論文 参考訳（メタデータ） (2026-07-02T07:01:12Z) - Multi-Agent Systems for Root Cause Analysis in Microservices [58.95503998127531]
LATS-RCAはMSSの根本原因分析のためのマルチエージェントフレームワークである。
リフレクションスコアは、最も可能性が高い根本原因への探索を導くために使用される。
我々は,オープンソースの産業MSSであるLight-OAuth2上でLATS-RCAを評価する。
論文 参考訳（メタデータ） (2026-05-05T08:39:42Z) - CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。
オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。
コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
論文 参考訳（メタデータ） (2026-04-02T05:59:06Z) - Stalled, Biased, and Confused: Uncovering Reasoning Failures in LLMs for Cloud-Based Root Cause Analysis [5.532586951580959]
LLMの推論動作を分離する実験的な評価手法を提案する。
我々は16の共通RCA推論失敗の分類をラベル付きで作成し、アノテーションにLLM-as-a-Judgeを使用する。
論文 参考訳（メタデータ） (2026-01-29T18:23:26Z) - Exploring LLM-based Agents for Root Cause Analysis [17.053079105858497]
ルート原因分析(RCA)はインシデント管理プロセスの重要な部分である。
大規模言語モデル(LLM)はRCAの実行に使用されているが、追加の診断情報を収集することはできない。
検索ツールを備えたReActエージェントを,マイクロソフトが収集した生産事故のアウト・オブ・ディストリビューション・データセット上で評価する。
論文 参考訳（メタデータ） (2024-03-07T00:44:01Z) - RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。
RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。
RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-25T03:53:31Z) - Automatic Root Cause Analysis via Large Language Models for Cloud
Incidents [51.94361026233668]
クラウドインシデントの根本原因分析を自動化するために,大規模言語モデルによって強化されたオンコールシステムであるRCACopilotを紹介する。
RCACopilotは、入ってくるインシデントと、そのアラートタイプに基づいて対応するインシデントハンドラとをマッチングし、クリティカルランタイム診断情報を集約し、インシデントの根本原因カテゴリを予測し、説明的な物語を提供する。
Microsoftから1年分のインシデントからなる実世界のデータセットを使用してRCACopilotを評価する。
論文 参考訳（メタデータ） (2023-05-25T06:44:50Z) - Disentangled Causal Graph Learning for Online Unsupervised Root Cause
Analysis [49.910053255238566]
ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。
従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。
我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
論文 参考訳（メタデータ） (2023-05-18T01:27:48Z) - Retrieval-Augmented Reinforcement Learning [63.32076191982944]
過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。
検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。
検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
論文 参考訳（メタデータ） (2022-02-17T02:44:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。